基于ORB-SLAM2算法的优化工作

REF：基于视觉 SLAM 的移动机器人路径规划研究REF：室内移动机器人视觉SLAM与路径规划方法研究

1. 基础模型

• 红外结构光深度测量：由红外激光发射器和图像传感器组成核心组件，发射器向目标场景投射经过空间调制的激光散斑图案，图像传感器同步采集经物体表面形变后的反射图案，计算原始编码图案与变形图案之间的特征位移量，基于光学三角测量原理实现深度信息的精确计算。

  

• 飞行时间深度测量：通过发射调制光信号（近红外波段），精确测量光脉冲从发射到经目标反射后返回的时间延迟，基于光速恒定原理，通过往返时间差，实现毫米级测距精度，且不受环境纹理特征影响

  

• ORB特征点检测算法：通过特征点提取和特征点描述分层架构，实现图像信息点采集并记录：

  1. 图像特征点提取：采用优化后的 Oriented FAST 算子，分析局部像素间的灰度差异定位角点，通过非极大值抑制策略对初始角点进行筛选（先获取各角点Harris 的响应值，再根据预设数量保留响应值较高的角点），为进一步增强特征鲁棒性，构建高斯金字塔并对每一层级进行降采样与模糊处理，在不同分辨率图片上独立验算 FAST 角点值，并融合各层结果以获得尺度不变性特征。

  2. 特征点描述：采用超快速 BRIEF 二值描述符，在特征点附近随机对比 K 组像素点对的灰度值变化，把对比结果转换为二进制编码串，最终得到一个长度为 k 的二进制编码串作为该特征点的 BRIEF 描述子，并采用汉明距离作为特征匹配度量

• ORB特征点匹配算法：图像间及图像与地图间的描述子编码匹配后，才能进行后续姿态估计、二维建图或目标跟踪的需求，在视觉 SLAM 系统中，误匹配剔除是数据关联环节的核心技术，主流方法包括：暴力匹配和 RANSAC算法

  • 暴力匹配法：穷举搜索第一组中每个描述子与第二组中哪个描述子最接近，浮点型的特征描述采用欧氏距离，二值的描述子采用汉明距离表示

  • 随机抽样一致性匹配（RANSAC）法：在一个给定的数据集中，随机选取一组数据点模型拟合，把与模型的拟合程度在阈值内的点归到一组，再用这组数据拟合，直至找出最优的模型参数

• ORB-SLAM2算法：使用 DBOW2 词袋方法建图，对场景中的特征点进行识别与分类，并在此基础上对全局图进行优化，具有线程追踪、地图重构和回环探测等多种功能

  

2. ORB-SLAM2优化

• 线特征提取模型优化：在数据预处理阶段，分别使用 ORB和 LSD 提取点、线特征后，对于线特征，提取二进制描述子后，根据外观一致性和几何一致性校验对线特征进行匹配，参考点特征的重投影误差，构建基于点线特征最小化重投影误差模型，对估计的位姿进行优化。

  

• LSD 线特征提取算法优化：边缘绘制算法一般基于最小二乘线拟合原理检测直线，而线特征检测器 (LSD) 算法合并相似梯度的像素点为线段，然后对所有线段选检测直线。

  • 先使用降采样和高斯滤波处理图像，根据像素点的梯度相似性合并成支持域，计算出最小的外接矩阵，并确定其主导方向

  • 考察支持域内的每个像素点，如果像素点的梯度方向与主导方向的夹角小于阈值，视为支持点

  • 统计支持域内支持点的数量，如果比例达到阈值，区域则被认定为一条线段

    

• 短线抑制优化：在某些情况下，一条完整的线段可能会被误检为多条较短的线段，使用最小长度阈值来限制提取到的线特征的最短长度

  

  其中，𝜂 为长度系数，可以通过调整系数筛选掉 LSD 算法提取到的长度过短的线特征

  

• 线特征的描述子格式优化：默认情况下，描述子数据类型为浮点或二进制时分别采用欧几里得或汉明距离，因此，将原始线特征（LBD） 描述子数据类型，由浮点型向量转化为二进制特征向量，汉明距离提升在线特征匹配的计算速度

• 线特征的匹配策略：先通过外观和位置两步来判断匹配，然后引入 RANSAC 算法消除特征匹配中的错误匹配：

  • 外观特征：计算汉明距离对比，当汉明距离小于 30且最小距离低于次小距离的 60% 时认为外观一致

  • 相对位置：像素坐标系中，当两条线段长度比超过 75% 和夹角小于 50 度认为位置一致

• 剔除动态移动物体优化：用YOLOV8 识别图象的运动目标，将运动特征点剔除，然后采用LK光流法进一步检测动态特征，仅采用最后剩下的静态特征集进行位姿估计：

  • 通过首帧特征滤波获取初始静态特征集

  • 使用基于 LK 光流法实现帧间动态特征检测

  • 通过极线几何约束验证特征静态性

• 轻量化动态目标检测：采用 SORT 多目标追踪方法，用EKF对随后几帧运动目标框进行预测，以 SORT 预测的靶框替代 YOLOV8 检测到的对象框，最后用 YOLOV8 每10 个帧对目标进行一次探测来校正 Sort 预测靶盒的位置。

  

• 多动态目标跟踪（MOT）优化：先在视频帧中识别出目标，利用先前的信息预测目标在下一帧中的位置，然后匹配预测位置与检测的目标，最后根据匹配结果更新目标的状态，实现了对多个目标的准确、连续追踪。

  

• 动态目标判断（匈牙利算法）优化：YOLO V8 检测到的目标框与 EKF 预测的目标框之间，以两个框的交并比 IoU 作为权重因子，来确立两者的关联关系， IoU 低于此阈值（0.25）视为不匹配，根据匹配结果分为以下三种情况：

  1. 跟踪失配：目标的跟踪轨迹没有可以匹配的检测结果，通常因为轨迹预测错误或者的目标已经离开画面， 将目标 ID 从跟踪器中删除。

  2. 检测失配：表示检测结果与当前的所有跟踪目标都不匹配，通常因为出现了新目标，跟踪器对新目标分配 ID，创建新的跟踪目标。

  3. 成功匹配：表示跟踪器的跟踪目标与检测器的检测目标全部成功匹配，表示跟踪器对各个目标跟踪状态良好，这种情况继续跟踪。

     

• 丰富场景细节优化：筛选关键帧后，通过增加密集点云线程，实现对目标场景的描述；引入八叉树方法，通过设定占据概率阈值，实现对地图信息的定向生成，从而实现对目标场景的有效压缩

  

• 激光雷达融合：二维雷达探测距离是一个270 度的范围平面，摄像机的探测距离有限且对光线的变化比较敏感，生成的图中含有大量的噪音。